AAAIFeb, 2015

基于二元马尔可夫网的置信传播线性化

PDF
TL;DR本文提出了一种基于解线性方程组的方法，用于近似解决循环因子带权 Markov 随机场的置信传播问题，并且这种方法能够同时享有完全收敛的保证和较快的矩阵实现、适应于异质网络的特点。实验结果表明，在节点权重较弱的网络图上，这种线性化的方法在保证准确性的同时大大加快了推断速度，达到了与 BP 相当的标签准确性。
belief propagationprobabilistic inferencemarkov random fieldslinear equation systemheterogenous networks
发现论文，激发创造
  • 期望粒子置信传播

    本研究提出了一种基于粒子的 Loopy Belief Propagation 实现方法，它在连续状态空间上构建了适应性高效的提议分布，使用 Expectation Propagation 框架迭代更新参数，具有更优的效果和更少的计算代价。

    Jun, 2015

  • 循环置信传播用于近似概率推断

    Circular Belief Propagation (CBP) 是 Belief Propagation (BP) 的扩展，通过学习检测和取消虚假相关性和置信度放大来限制循环引起的消息回声的负面影响，实验结果表明 CBP 在二进制概率图的数值实验中远远超过了 BP，并且与先前提出的算法相比表现良好。

    Mar, 2024

  • 马尔可夫随机场参数学习的块信念传播

    本文提出了一种称为 “块置信传播学习” 的方法，该方法使用近似边际的块坐标更新来计算梯度，从而避免了对整个图形模型进行推理。通过实验证明，该方法相较于标准训练方法具有更高的可扩展性。

    Nov, 2018

  • 信念传播快速收敛于全局最优解：超越相关性衰减

    研究图模型中 “信念传播” 的收敛性及其在 Ising 模型中的应用。

    May, 2019

  • 高斯信念传播：理论与应用

    使用高斯信仰传递算法（GaBP）解决线性方程组问题，实现了迭代解法，从而实现了分布式消息传递实现解决方案的算法。通过广泛的模拟实验，在具有数百万节点和数亿通信链接的真实网络拓扑上展示了 GaBP 算法的吸引力和适用性。

    Nov, 2008

  • 核信念传播

    该研究提出了一种非参数信念传播的推广方法，它可以在任何需要核函数定义的领域中进行使用，并且由于采用了一种新颖的学习策略，计算效率得到了很大改善。

    May, 2011

  • 随机信念传播：一种低复杂度替代乘积和算法的选择

    本文提出了一种低复杂度的信念传播算法 —— 随机信念传播（SBP）算法，该算法是一种自适应随机的 BP 信息传递版本，其信息传递减少了计算复杂度和通讯复杂度，并在各种图形模型中证明了收敛性和计算复杂度降低的理论格局。

    Nov, 2011

  • 二值网络的信念优化：稳定的循环置信传播替代方法

    本研究提出一种新颖的推断算法，可用于任意的、二元的、无向图。该算法直接下降 Bethe 自由能，更新成对概率和边际概率，以获得本地最小值。同时，该算法的稳定性为数据学习图模型提供了理想手段。

    Jan, 2013

  • 关于任意图上加权 b - 匹配的置信传播及其与整数解线性规划的关系

    该研究论文讨论了在任意图上找到最小重量匹配的问题，并证明了当 LP 松弛问题没有分数解时，Belief Propagation 算法会收敛于正确的解。

    Sep, 2007

  • 连续状态空间的信念传播：具有定量保证的随机传递消息

    本文引入一种新的技术 —— 随机正交序列消息传递（SOSMP）—— 用于计算具有连续随机变量模型中的 BP 固定点，通过对信息的正交级数展开的确定性近似和基础系数的积分更新的蒙特卡洛估计的随机近似 贴近 BP 固定点，此技术已被证明在任何树形图和满足缩小条件的任何图形中的 BP 更新都会收敛到唯一的 BP 固定点的 δ 邻域。同时，我们演示了如何根据所需的近似精度 δ 和兼容性函数的平滑度来选择基础系数的数量，并通过模拟实例和光流估计应用证明了我们理论的正确性。

    Dec, 2012